MétaCan
Menu
Back to cohort
Record W1995340693 · doi:10.4000/vertigo.14361

Relation entre perceptions paysannes de la variabilité climatique et observations climatiques au Sud-Bénin

2013· article· fr· W1995340693 on OpenAlexvenueno aff
Ulrich Allé, Pierre V. Vissoh, Hervé Guibert, Euloge K. Agbossou, Abel Afouda

Bibliographic record

VenueVertigO · 2013
Typearticle
Languagefr
FieldAgricultural and Biological Sciences
TopicAgriculture and Rural Development Research
Canadian institutionsnot available
Fundersnot available
KeywordsForestryGeographyPolitical scienceHumanitiesArt

Abstract

fetched live from OpenAlex

L’étude a pour objectif d’analyser les perceptions paysannes de la variabilité climatique et leur pertinence par rapport aux observations climatiques. À cet effet, elle a comparé des données climatiques de 14 stations et des perceptions paysannes de la variabilité climatique recueillies à partir d’une enquête auprès de 201 chefs d’exploitation (CE) agricole répartis sur 67 villages au sud-Bénin. L’enquête était constituée d’entretiens collectifs et individuels, à questionnaires ouverts, semi-ouverts et fermés. Les CE sont davantage marqués par la dégradation de la qualité des saisons des pluies observée entre 1951-1970 et 1971-1990, en l’occurrence la modification des dates de début et de fin des saisons des pluies, la recrudescence des séquences sèches, la diminution du nombre de jours pluvieux et le déficit pluviométrique, que par la relative récente reprise des précipitations au cours des années 1990 et 2000 sur la région d’étude. Toutefois, le changement d’échelle, de régionale à locale, réduit sensiblement l’écart entre les perceptions paysannes et les observations climatiques. Les CE citent également la baisse des températures et l’augmentation de la fréquence des vents violents pendant les saisons pluvieuses. Ces perceptions sont contraires aux observations climatiques et suggèrent des investigations plus approfondies pour mieux comprendre ces divergences. Face à la variabilité climatique, les CE ont développé des mesures d’adaptation qui globalement traduisent leur perception. Ceci ouvre des perspectives pour l’élaboration de stratégies d’adaptation avec une forte chance d’attirer l’intérêt des producteurs.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesInsufficient payload (model declined to judge)
Consensus categoriesInsufficient payload (model declined to judge)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.222
Threshold uncertainty score0.999

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0010.000
Scholarly communication0.0000.001
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0100.001

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.021
GPT teacher head0.263
Teacher spread0.243 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; both teacher heads agree on what is shown here.

Study designObservational
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations15
Published2013
Admission routes1
Has abstractyes

Explore more

Same venueVertigOSame topicAgriculture and Rural Development ResearchFrench-language works237,207